Tesseract OCR vodič za Windows, Python i .NET

Ako ste zainteresirani za pretvaranje slika ili PDF-ova u tekst koji se može uređivati ​​bez muke sa složenim alatima ili Izdvajanje teksta iz slika u sustavu Windows 11, dobra vijest je da danas Tesseract OCR je moćno, besplatno i vrlo fleksibilno rješenje.U ovom praktičnom vodiču pregledat ćemo što je to, kako ga instalirati Windows, kako ga validirati iz konzole i kako ga integrirati s Pythonom (putem Pytesseracta) i .NET-om, kao i s široko korištenom alternativom u tom ekosustavu: IronOCR-om.

Osim instalacije i klika na gumb, vidjet ćete kako pripremiti okruženje, gdje dodati putanju izvršne datoteke i što učiniti ako se pojavi tipična greška. TesseractNotFoundError u Pythonu i kako obrađivati ​​tekstove na više jezika (španjolski, engleski, francuski, portugalski, pa čak i paketi poput Math) unutar aplikacija. Cilj je da na kraju dobijete stabilan, OCR tijek rada spreman za produkciju., pokrivajući s linije naredbe za korištenje u C# sa specifičnim bibliotekama.

Što je Tesseract OCR?

Tesseract je OCR engine otvorenog koda., objavljen pod licencom Apache 2.0. Nastao je 80-ih u Hewlett-Packardu, a sada ga održava zajednica sa snažnim nastojanjem da GoogleNjegova je misija jasna: analizirati piksele na slici (TIFF, PNG, JPEG, između ostalog) kako bi se otkrili znakovi, riječi i linije te prikazao sadržaj kao strojno čitljiv tekst.

Može se slobodno koristiti iz komandne linije, što olakšava automatizaciju i skriptiranje. Osim toga, podržava mnoštvo jezika i može se naučiti za nove fontove ili abecede., zbog čega je uobičajena u digitalizaciji dokumenata, obradi računa, arhiviranju ili pristupačnosti.

Preuzmite i instalirajte Tesseract na Windows

U sustavu Windows, najizravniji put je korištenje unaprijed kompiliranog instalacijskog programa. Glavni izvor je službeni repozitorij na GitHubu (tesseract-ocr/tesseract), gdje ćete pronaći potpisane binarne datoteke i novije verzije.

Među dostupnim instalacijskim programima uobičajeno je vidjeti pakete kao što su tesseract-ocr-w64-setup-5.3.0.20221222.exe (64 bitni). Preuzmite i pokrenite gaČarobnjak će vas korak po korak voditi kroz instalaciju, uključujući odabir jezika instalacijskog programa i jezičnih paketa.

Jezik instalatera i jezični podaci

Tijekom instalacije, čarobnjak će vas pitati da odaberete jezik. Engleski je obično zadani, ali možete dodati dodatne pakete kao što su španjolski, francuski ili čak specijalizirani moduli poput matematike ako su vam potrebni. Ovaj odabir određuje koji se modeli kopiraju u direktorij podataka (tessdata).

Licenca, korisnici i komponente

Tesseract se distribuira s Apache licenca 2.0, tako da ga možete fleksibilno koristiti i distribuirati. Instalacijski program će vas pitati da prihvatite licencu, odaberete želite li instalirati za jednog korisnika ili za sve korisnike i odaberete komponente. Korisni elementi su odabrani prema zadanim postavkama, kao što su ScrollView, alati za obuku, prečaci i jezični podaci.

Putanja instalacije i mapa izbornika Start

Čarobnjak će vam omogućiti odabir odredišne ​​mape. Zapišite tu putanju, trebat će vam za varijablu okruženjaZatim možete imenovati mapu izbornika Start u kojoj se stvaraju prečaci. Nakon što završite, kliknite Instaliraj, a nakon što završite, kliknite Završi za zatvaranje.

Dodajte Tesseract u varijablu okruženja u sustavu Windows

Za pokretanje naredbe tesseract iz bilo kojeg prozora cmd o PowerShell, prikladno je dodajte instalacijsku mapu u sistemsku putanjuNa ovaj način Windows će znati gdje pronaći izvršnu datoteku bez apsolutnih putanja.

Idite na izbornik Start i upišite "varijable okruženja" ili "napredne postavke sustava". U prozoru Svojstva sustava idite na karticu Napredno i kliknite Varijable okoliša.

U bloku Varijable sustava odaberite Put, kliknite Uredi, a zatim Novo. Zalijepite putanju gdje je Tesseract instaliran (na primjer, C:\Program Files\Tesseract-OCR) i potvrdite s OK u svim prozorima.

Provjerite instalaciju iz konzole

Otvorite cmd ili PowerShell i pokrenite: TesseractAko je sve u redu, vidjet ćete poruku o korištenju, instaliranu verziju i popis opcija koje uslužni program podržava. Ovaj test potvrđuje da je Put ispravan i binarni sustav odgovara.

Instalirajte Tesseract na macOS

Na macOS-u možete instalirati uslužni program iz upravitelja paketa. S Homebrewom pokrenite instaliraj Tesseract na brewAko koristite MacPorts, ekvivalentna naredba je Instalacija Tesseracta na sudo portObje rute preuzmite i registrirajte izvršnu datoteku koristiti ga od terminal.

Razlike između Tesseracta i Pytesseracta

Zgodno je odvojiti koncepte: Tesseract je OCR mehanizam, binarna datoteka koja vrši prepoznavanje. Pytesseract je omotač za Python. koji poziva taj mehanizam i formatira izlaz za vaše skripte. Ako radite u Pythonu, trebat će vam Tesseract instaliran na vašem sustavu i Pytesseract u vašem okruženju.

Osnove korištenja Pythona i rješenje za TesseractNotFoundError

Jedna od najčešćih grešaka kada počinjete s Pythonom je TesseractNotFoundErrorTo se događa kada Pytesseract ne pronađe izvršnu datoteku engine-a, obično zato što nije u putanji ili putanja nije postavljena u rukopis.

Da biste to izbjegli u sustavu Windows, možete eksplicitno postaviti putanju u svom kodu tako da ukažete na izvršnu datoteku. Minimalni primjer s Pytesseractom:

import pytesseract
from PIL import Image

# Ajusta esta ruta a tu instalación real en Windows
pytesseract.pytesseract.tesseract_cmd = r'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'

texto = pytesseract.image_to_string(Image.open('mi_imagen.png'), lang='spa')
print(texto)

Također, provjerite je li dostupan jezični paket koji vam je potreban (na primjer, banja za španjolski). Ako ne, instalirajte te obučene podatke u ispravan direktorij tessdata. Ovo rješava većinu incidenata. prilikom početka rada s Pythonom.

Višejezični OCR: Koncepti i praksa

U projektima s višejezičnom dokumentacijom (fakture, ugovori ili povijesne arhive), Tesseract vam omogućuje kombiniranje jezika kako bi se poboljšalo otkrivanje kada koegzistiraju heterogeni tekstovi. Ključno je imati odgovarajuće .traineddata datoteke unutar tessdata.

Kada se sadržaj miješa, na primjer, engleski, španjolski i francuski, možete reći tražilici da to učini. istovremeno razmotrite više abeceda i uzorakaTo se također odnosi na biblioteke više razine poput IronOCR-a u .NET-u.

Napravite projekt u Visual Studiju i koristite Tesseract.NET

Ako radite u Microsoft okruženju, otvorite Visual Studio i stvorite Konzolna aplikacija (ili bilo koji predložak koji preferirate). Nazovite svoj projekt, odaberite .NET verziju i s izrađenim rješenjem spremni ste za upravljanje paketima pomoću NuGeta.

Instalirajte Tesseract na svoje računalo (kao što smo objasnili) i unutar projekta dodajte paket Tesseract ili Tesseract.NET iz NuGet Package Managera. Ovo dodaje omotač za interakciju s engineom iz C#.

Primjer čitanja slike s više jezika mogao bi izgledati ovako, označava put do tessdata i popis jezika:

using System;
using System.Drawing;
using Tesseract;

class Program
{
    static void Main()
    {
        // Ruta a los archivos de datos de idioma (.traineddata)
        string tessDataPath = @"./tessdata";
        // Imagen a procesar
        string imagePath = @"ruta_a_tu_imagen.png";

        using (var img = Pix.LoadFromFile(imagePath))
        using (var engine = new TesseractEngine(tessDataPath, "eng+spa+fra", EngineMode.Default))
        using (var page = engine.Process(img))
        {
            string text = page.GetText();
            Console.WriteLine("Recognized Text:");
            Console.WriteLine(text);
        }
    }
}

Provjerite da se u mapi tessdata nalazi sljedeće: .traineddata za svaki jezik koje deklarirate. Uobičajeni skup testova je eng+spa+fra, ali ga možete proširiti prema svojim potrebama.

IronOCR: .NET biblioteka temeljena na Tesseractu

U .NET ekosustavu postoji opcija usmjerena na produktivnost pod nazivom IronOCR, koji se oslanja na Tesseract, ali nudi API visoke razine, opsežnu dokumentaciju i uslužne programe za prethodnu obradu. Instalira se iz NuGeta u Visual Studiju pomoću alata za pronalaženje paketa.

Njegova osnovna upotreba za čitanje teksta slike je vrlo izravna. Jednostavan primjer:

using IronOcr;

var ocr = new IronTesseract();
string texto = ocr.Read(@"test-files/redacted-employmentapp.png").Text;
Console.WriteLine(texto);

Ako želite veću kontrolu nad ulazom (više slika, prilagodbe itd.), možete izraditi OcrInput i proslijediti ga engineu. Primjer s korištenjem uzorka:

using IronOcr;

var Ocr = new IronTesseract();
using (var Input = new OcrInput())
{
    Input.AddImage("test-files/redacted-employmentapp.png");
    var Result = Ocr.Read(Input);
    Console.WriteLine(Result.Text);
}

Ključna prednost je to što IronOCR podržava preko 120 jezika, integrira automatsko otkrivanje i dodaje alate za čišćenje slike, smanjenje šuma i ispravljanje artefakata koji u praksi poboljšavaju točnost na zahtjevnim dokumentima.

Instalirajte IronOCR s NuGetom i jezičnim paketima

Da biste ga dodali u svoje rješenje, otvorite Visual Studio i idite na Alati > NuGet Upravitelj paketa > Upravljanje paketima za rješenje. Potražite „IronOCR“ i odaberite glavni paketAko planirate raditi s dodatnim jezicima, instalirajte i potrebne jezične pakete.

U višejezičnim projektima imajte na umu da je engleski jezik obično dostupan prema zadanim postavkama, ali Za španjolski ili francuski morate dodati njihove paketeTo će vam uštedjeti vrijeme prilikom postavljanja svojstva Jezik u tražilici.

Čitanje više jezika s IronOCR-om (C#)

Sljedeći primjer pokazuje kako kombinirati tri jezika i obraditi sliku. To je prirodna postavka kada niste sigurni koji je jezik dominantan u svakom dokumentu:

using IronOcr;

class Program
{
    static void Main(string[] args)
    {
        var Ocr = new IronTesseract();
        Ocr.Language = OcrLanguage.English + OcrLanguage.Spanish + OcrLanguage.French;

        var inputFile = @"ruta\\a\\tu\\imagen.png";
        using (var input = new OcrInput(inputFile))
        {
            var result = Ocr.Read(input);
            Console.WriteLine("Text:");
            Console.WriteLine(result.Text);
        }
    }
}

Osim jednostavnog API-ja, IronOCR se ističe i po tome što uključuje predobrada slike (ispravljanje korekcije, binarizacija, čišćenje rubova), što obično rezultira većim uspjehom kod skeniranih dokumenata ili fotografija s neravnomjernim osvjetljenjem.

Prednosti i razmatranja IronOCR-a u odnosu na "čisti" Tesseract

Dok je Tesseract besplatan i izuzetno fleksibilan, IronOCR nudi... izravnije iskustvo u .NET-u, s dokumentacijom, primjerima i značajkama spremnim za poduzeća. Korporativni izvori navode točnost detekcije od oko 99,8% u idealnim uvjetima, uz podršku za višenitnost i aktivno održavanje.

Je također prijateljskiji u integraciji (samo postavljanje, primjeri projekata i kohezivni API-ji), s podrškom za više od 120 jezika, uključujući složene i višejezične slučajeve u istom dokumentu. Zauzvrat, IronOCR je vlasnički i plaćen, s doživotnom licencom i opcijama podrške 24/7 za korisnike.

Najbolje prakse za poboljšanje točnosti OCR-a

Iako je motor robustan, rezultati uvelike ovise o kvaliteti slika. Pokušajte koristiti visoke rezolucije, izbjegavajte šum i artefakte, pravilno poravnajte dokument i poboljšajte kontrast. Ako radite s fotografijama, pazite na osvjetljenje i ispravite nagib prije izvođenja OCR-a.

S "čistim" Tesseractom, možda će biti potrebno normalizirati slike ili primijeniti predfiltere kako bi se postigli dobri rezultati. Alati poput IronOCR-a pomažu automatizacijom većeg dijela ove predobrade., što pojednostavljuje isporuku čistih tekstova u zahtjevnim scenarijima.

Izlaz i formati koje možete generirati

Osim običnog teksta, Tesseract može generirati izlazi u HTML/hOCR ili PDF-ovima s tekstom koji se može odabratiTo otvara vrata indeksiranju, pretraživanju i isticanju fragmenata unutar dokumenata ili njihovoj integraciji u tijekove rada digitalnog arhiviranja gdje su mogućnosti pretraživanja ključne.

Osim običnog teksta, Tesseract može generirati HTML/hOCR izlaz ili PDF-ove s tekstom koji se može odabrati, što olakšava pretvoriti PDF u Word i nastavite s uređivanjem.

U prilagođenim integracijama možete naknadna obrada rezultata, primijenite provjere pravopisa ili NLP modele za obogaćivanje entiteta, normalizaciju brojeva i pripremu sadržaja za baza podataka ili analitičke alate.

Vođena instalacija na Windowsima: Najvažnije značajke čarobnjaka

Ako želite brzi popis za provjeru čarobnjaka: odaberite jezik instalacijskog programa, prihvatite Apache 2.0 licencu, odlučite je li instalacija za vas ili za sve korisnike i ostavite preporučene komponente aktivirane (ScrollView, alati za obuku, prečaci i jezični podaci).

Odaberite odredišnu mapu (ne zaboravite je kopirati u Put), ako je primjenjivo, dodijelite naziv mapi izbornika Start i pritisnite Instaliraj. Kada završite, potvrdite s "tesseract" u konzoli kako biste osigurali da sve ispravno reagira na vašem uređaju.

Instalacija s unaprijed kompajliranim paketima i izborom jezika

Kada preuzimate s GitHuba, vidjet ćete nekoliko instalacijskih programa i verzija za različite arhitekture. Odaberite 64-bitnu verziju ako je vaš sustav podržava.U čarobnjaku možete odabrati određene jezike; to je dobra ideja. instalirajte one koje ćete koristiti (španjolski, portugalski, francuski, matematika itd.) kako biste izbjegli naknadna pretraživanja.

Ako kasnije trebate proširiti na druge jezike, možete dodati njihove .traineddata u mapu tessdata. Modularnost je jedna od jakih strana motora kako bi se prilagodio različitim domenama.